oneR即“一条规则”。oneR算法根据已有的数据中，具有相同特征值的个体最可能属于哪个类别来进行分类。
以鸢尾data为例，该算法实现过程可解读为以下六步：
以均值为阈值，将大于或等于阈值的特征标记为1，低于阈值的特征标记为0。
import numpy as np from sklearn.model_selection import train_test_split from sklearn.datasets import load_iris from collections import defaultdict from operator import itemgetter import warnings from sklearn.metrics import classification_report # 加载内置iris数据，并保存 dataset = load_iris() X = dataset.data y = dataset.target attribute_means = X.mean(axis=0) # 得到一个列表，列表元素个数为特征值个数，列表值为每个特征的均值 X_d = np.array(X >= attribute_means, dtype='int') # 转bool类型
数据到此已获取完毕，接下来将其划分为训练集和测试集。
使用默认的0.25作为分割比例。即训练集：测试集=3:1。
X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)
数据描述：
本例中共有四个特征，
原数据集有150个样本，分割后训练集有112个数据，测试集有38个数据。
标签一共分为三类，取值可以是0,1,2。
首先遍历特征的每一个取值，对于每一个特征值，统计它在各个类别中出现的次数。
定义一个函数，有以下四个参数：
该函数的意义在于，对于训练集数据，对于某个特征，依次遍历样本在该特征的真实取值，判断其是否等于特征的某个可以有的取值 （即value）（以0为例）。如果判定成功，则在字典class_counts中记录，以三个类别（0，1，2）中该样本对应的类别为键值，表示该类别出现的次数加一。
首先得到的字典（class_counts）形如：
{0: x1, 1.0: x2, 2.0:x3}
其中元素不一定是三个
x1：类别0中，某个特征feature的特征值为value（0或1）出现的次数
x2：类别0中，某个特征feature的特征值为value（0或1）出现的次数
x3：类别0中，某个特征feature的特征值为value（0或1）出现的次数
然后将class_counts按照值的大小排序，取出指定特征的特征值出现次数最多的类别：most_frequent_class。
该规则即为：该特征的该特征值出现在其出现次数最多的类别上是合理的，出现在其它类别上是错误的。
最后计算该规则的错误率：error
错误率即 具有该特征的个体在除出现次数最多的类别出现的次数，代表分类规则不适用的个体的数量。
最后返回待预测的个体类别 和 错误率
def train_feature_value(X, y_true, feature, value):
class_counts = defaultdict(int)
for sample, y_t in zip(X, y_true):
if sample[feature] == value:
class_counts[y_t] += 1
sorted_class_counts = sorted(class_counts.items(), key=itemgetter(1), reverse=True) # 降序
most_frequent_class = sorted_class_counts[0][0]
error = sum([class_count for class_value, class_count in class_counts.items()
if class_value != most_frequent_class])
return most_frequent_class, error
返回值most_frequent_class是一个字典, error是一个数字
def train(X, y_true, feature):
n_samples, n_features = X.shape
assert 0 <= feature < n_features
# 获取样本中某特征所有可能的取值
values = set(X[:, feature])
predictors = dict()
errors = []
for current_value in values:
most_frequent_class, error = train_feature_value(X, y_true, feature, current_value)
predictors[current_value] = most_frequent_class
errors.append(error)
total_error = sum(errors)
return predictors, total_error
因为most_frequent_class是一个字典，所以predictors是一个键为特征可以的取值(0和1)，值为字典most_frequent_class的 字典。
total_error是一个数字，为每个特征值下的错误率的和。
all_predictors = {variable: train(X_train, y_train, variable) for variable in range(X_train.shape[1])}
Errors = {variable: error for variable, (mapping, error) in all_predictors.items()}
# 找到错误率最低的特征
best_variable, best_error = sorted(Errors.items(), key=itemgetter(1))[0] # 升序
print("The best model is based on feature {0} and has error {1:.2f}".format(best_variable, best_error))
# 找到最佳特征值，创建model模型
model = {'variable': best_variable,
'predictor': all_predictors[best_variable][0]}
print(model)
根据代码运行结果，最佳特征值是特征2（索引值为2的feature，即第三个特征）。
对于初学者这里的代码逻辑比较复杂，可以对变量进行逐个打印查看，阅读blog学习时要盯准字眼，细品其逻辑。
print(all_predictors) print(all_predictors[best_variable]) print(all_predictors[best_variable][0])
定义预测函数，对测试集数据进行预测
def predict(X_test, model):
variable = model['variable']
predictor = model['predictor']
y_predicted = np.array([predictor[int(sample[variable])] for sample in X_test])
return y_predicted
# 对测试集数据进行预测
y_predicted = predict(X_test, model)
print(y_predicted)
预测结果：
# 统计预测准确率
accuracy = np.mean(y_predicted == y_test) * 100
print("The test accuracy is {:.1f}%".format(accuracy))
根据打印结果，该模型预测的准确率可达65.8%，对于只有一条规则的oneR算法而言，结果是比较良好的。到此便实现了oneR算法的一次完整应用。
最后，还可以使用classification_report()方法，传入测试集的真实值和预测值，打印出模型评估报告。
# 屏蔽警告
warnings.filterwarnings("ignore")
# 打印模型评估报告
print(classification_report(y_test, y_predicted)) # 参数为测试集的真实数据和预测数据
到此这篇关于python机器学习实现oneR算法(以鸢尾data为例)的文章就介绍到这了,更多相关python oneR算法内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
